Spark與Hadoop有哪些區(qū)別？【大數(shù)據(jù)培訓】

更新時間:2020年04月24日15時48分來源:傳智播客瀏覽次數(shù):

Hadoop與Spark都是大數(shù)據(jù)計算框架，但是兩者各有自己的優(yōu)勢，Spark與Hadoop的區(qū)別主要有以下幾點。

1、編程方式
Hadoop的MapReduce在計算數(shù)據(jù)時，計算過程必須要轉化為Map和Reduce兩個過程，從而難以描述復雜的數(shù)據(jù)處理過程；而Spark的計算模型不局限于Map和Reduce操作，還提供了多種數(shù)據(jù)集的操作類型，編程模型比MapReduce更加靈活。

2、數(shù)據(jù)存儲
Hadoop的 MapReduce進行計算時，每次產生的中間結果都是存儲在本地磁盤中；而
Spark在計算時產生的中間結果存儲在內存中。

3、數(shù)據(jù)處理
Hadoop在每次執(zhí)行數(shù)據(jù)處理時，都需要從磁盤中加載數(shù)據(jù)，導致磁盤的I/O開銷較大；而Spark在執(zhí)行數(shù)據(jù)處理時，只需要將數(shù)據(jù)加載到內存中，之后直接在內存中加載中間結果數(shù)據(jù)集即可，減少了磁盤的1O開銷。

4、數(shù)據(jù)容錯
MapReduce計算的中間結果數(shù)據(jù)保存在磁盤中，并且 Hadoop框架底層實現(xiàn)了備份機制，從而保證了數(shù)據(jù)容錯；同樣 Spark RDD實現(xiàn)了基于 Lineage的容錯機制和設置檢查點的容錯機制，彌補了數(shù)據(jù)在內存處理時斷電丟失的問題。
在Spark與Hadoop的性能對比中，較為明顯的缺陷是Hadoop中的MapReduce計算延遲較高，無法勝任當下爆發(fā)式的數(shù)據(jù)增長所要求的實時、快速計算的需求。

從上圖可以看出，使用Hadoop MapReduce進行計算時，每次計算產生的中間結果都需要從磁盤中讀取并寫入，大大增加了磁盤的I/O開銷，而使用Spark進行計算時，需要先將磁盤中的數(shù)據(jù)讀取到內存中，產生的數(shù)據(jù)不再寫入磁盤，直接在內存中迭代處理，這樣就避免了從磁盤中頻繁讀取數(shù)據(jù)造成的不必要開銷。通過官方計算測試，Hadoop與Spark執(zhí)行邏輯回歸所需的時間對比，如圖所示。